Σκοπός της παρούσας εργασίας ήταν η διερεύνηση παραγόντων που σχετίζονται με την
αυτοαναφερόμενη ακουστική δυσχέρεια μουσικών και επαγγελματιών μουσικής και η
ανάπτυξη μοντέλων μηχανικής μάθησης για την εκτίμηση της συνολικής βαθμολογίας του
Musicians’ Hearing Handicap Index (MHHI).
Πραγματοποιήθηκε αναδρομική δευτερογενής ανάλυση δεδομένων μουσικών και
επαγγελματιών του μουσικού χώρου. Το τελικό αναλυτικό δείγμα περιλάμβανε 248
συμμετέχοντες με διαθέσιμη συνολική βαθμολογία MHHI. Αρχικά εφαρμόστηκαν
περιγραφικές και διμεταβλητές αναλύσεις με μη παραμετρικούς ελέγχους και διόρθωση για
πολλαπλές συγκρίσεις. Στη συνέχεια αναπτύχθηκαν και συγκρίθηκαν έξι μοντέλα
παλινδρόμησης: γραμμική παλινδρόμηση, Ridge Regression, Lasso Regression, δέντρο
παλινδρόμησης, Random Forest και νευρωνικό δίκτυο. Η αξιολόγηση πραγματοποιήθηκε
με εσωτερική 10-fold cross-validation και pooled out-of-fold μετρικές RMSE, MAE και R2.
Επιπλέον, εφαρμόστηκαν μέθοδοι επεξηγηματικής τεχνητής νοημοσύνης και ανάλυση
ευαισθησίας.
Η βαθμολογία MHHI παρουσίασε ασυμμετρία προς τα δεξιά, με μέση τιμή 18,0 ± 16,5 και
διάμεσο 12,9. Υψηλότερες βαθμολογίες παρατηρήθηκαν σε συμμετέχοντες με
υποκειμενική ακουστική διαταραχή, εμβοές, υπερακουσία, παραμόρφωση ήχου και
μυοσκελετικά ενοχλήματα. Το Lasso Regression είχε την καλύτερη προγνωστική απόδοση
(RMSE = 12,907, MAE = 9,394, R2 = 0,383). Η υπερακουσία, η παραμόρφωση ήχου, οι
εμβοές, η ανησυχία για την ακοή και επιλεγμένες ακοολογικές μετρήσεις αναδείχθηκαν ως
σημαντικές μεταβλητές πρόβλεψης (predictors).
Τα αποτελέσματα υποδεικνύουν ότι η ακουστική δυσχέρεια στους επαγγελματίες μουσικής
συνδέεται με συνδυασμό αυτοαναφερόμενων συμπτωμάτων και ακοολογικών
χαρακτηριστικών. Η γενικευσιμότητα των ευρημάτων απαιτεί επιβεβαίωση με εξωτερική
επικύρωση σε ανεξάρτητο δείγμα.

The aim of this study was to investigate factors associated with self-reported hearing
difficulty among musicians and other music professionals and to develop machine learning
models for estimating the total score of the Musicians’ Hearing Handicap Index (MHHI).

A retrospective secondary analysis was conducted using data from musicians and music-
sector professionals. The final analytical sample comprised 248 participants with an

available total MHHI score. Descriptive and bivariate analyses were initially performed
using non-parametric tests and adjustment for multiple comparisons. Subsequently, six
regression models were developed and compared: linear regression, Ridge Regression,
Lasso Regression, Regression Tree, Random Forest, and Neural Network. Model
performance was evaluated using internal 10-fold cross-validation and pooled out-of-fold
RMSE, MAE, and R2 metrics. In addition, explainable artificial intelligence methods and a
sensitivity analysis were applied.
The MHHI score showed a right-skewed distribution, with a mean of 18.0 ± 16.5 and a
median of 12.9. Higher scores were observed among participants reporting subjective
hearing disorder, tinnitus, hyperacusis, sound distortion, and musculoskeletal complaints.
Lasso Regression achieved the best predictive performance (RMSE = 12.907, MAE =
9.394, R2 = 0.383). Hyperacusis, sound distortion, tinnitus, concern about hearing, and
selected audiological measurements emerged as important predictors.
The findings suggest that hearing difficulty among musicians is associated with a
combination of self-reported symptoms and audiological characteristics. The
generalisability of the findings requires confirmation through external validation in an
independent sample.